Оперативное прогнозирование показателей добычи нефти методами нейросетевого моделирования тема диссертации и автореферата по ВАК РФ 25.00.17, кандидат наук Хусаинов, Артем Тахирович

• Хусаинов, Артем Тахирович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Хусаинов, Артем Тахирович

сети

2.3. Тестовый прогноз нефтедобычи средствами эталонного гидродинамического симулятора и программного симулятора ИНС

ВЫВОДЫ ПО ВТОРОМУ РАЗДЕЛУ

РАЗДЕЛ 3 ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОЦЕССОВ НЕФТЕДОБЫЧИ

3.1. Выбор и обоснование численно-аналитической модели ИНС

3.2. Построение обучающих выборок по результатам численного моделирования технологических показателей нефтедобычи

3.3. Вариативный технологический прогноз показателей эксплуатации скважин выбранными архитектурами ИНС

3.3.1. Исследование свойств функции многослойного персептрона нейросетевых моделей

3.3.2. Исследование свойств линейной функции нейросетевых моделей

3.3.3. Исследование свойств радиально-базисной функции нейросетевых моделей

3.4. Оценка прогнозируемости системы поддержания пластового давления нейронными сетями

3.5. Апробация нейронных сетей для прогнозирования по скважинной добычи нефти на Савуйском и Ван-Еганском месторождениях

3.5.1. Общая информация о пласте БСю Савуйского

месторождении

3.5.2. Общая информация о пласте БВ6 Ван-Еганского месторождения

3.5.3. Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения

ВЫВОДЫ ПО ТРЕТЬЕМУ РАЗДЕЛУ

ВЫВОДЫ И РЕКОММЕНДАЦИИ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Оперативное прогнозирование показателей добычи нефти методами нейросетевого моделирования»

ВВЕДЕНИЕ

Эффективная разработка нефтегазовых месторождений невозможна без полного и всестороннего моделирования процессов, происходящих в эксплуатируемом пласте-коллекторе. К числу наиболее важных задач относятся: прогноз величин дебитов нефтяных скважин; прогноз изменения полей пластовых давлений в пласте; оценка эффективности проводимых и планируемых геолого-технологических мероприятий (ГТМ).

Нефтегазоносный пласт-коллектор, вскрытый добывающими и нагнетательными скважинами, является сложной, динамической системой, требующей не тривиального, наукоёмкого, математического моделирования с целью планирования широкого спектра геолого-технических мероприятий и просто добычи нефти. На сегодняшний день трёхмерные детерминированные гидродинамические методы прогнозирования, основанные на теории фильтрации жидкостей и газа в пористых средах, позволяют достаточно точно воспроизводить происходящие процессы. Однако наибольшую трудность вызывает настройка или адаптация создаваемого цифрового аналога к реальному промысловому объекту. Существует целый ряд геологических параметров, который не может быть точно измерен. Значения таких параметров подбирается эмпирически на основе опыта геологов-экспертов и геолого-технической информации получаемой с промыслового объекта.

Применение традиционных методов прогнозирования процессов нефтедобычи с использованием методов решения краевых задач теории фильтрации, моделей трубок тока, характеристик вытеснения, статистических методов и т.д. сопряжено с трудностями такими как неполнота или искаженность информации, характеризующей поведение прогнозируемой системы и как следствие, не достаточной достоверности данного вида расчетов.

Одним из перспективных методов решения сложных задач нефтепромыслового прогноза показателей является имитационное моделирование, реализуемое на основе искусственных нейронных сетей (ИНС).

Применение такой методологии в данной проблематике, представляется

более целесообразным, так как ее особенностью является: обучаемость (самоадаптивность) особенностям моделируемого объекта, идентификация входящей зашумленной информации с соответствующей поправочной интерпретацией, интеллектуальность построения причинно-следственных связей о происходящих микропроцессах, скорость создания модели для проведения расчетных операций.Основные вопросы, связанные с теоретическими и практическими аспектами применения ИНС представлены в многочисленных работах отечественных исследователей А.Н. Горбаня, B.JI. Дунина-Барковского, E.H. Соколова, В.А. Охонина, Н.П. Абовского Е.М. Миркеса, С.А. Терехова, Д.А. Россиева и др., а также зарубежных авторов, таких, как М. Minsky, D.E. Rumelhart, S. Haykin, G. Hinton, Т. Cohonen, R. Hecht-Nielsen, CM. Bishop, S. Grossberg, J.J. Hopfield, D. Hebb и других.

В настоящее время сделаны только первые шаги в разработке нейросетевых моделей для решения задач оперативного прогноза показателей разработки месторождений [1, 2, 3, 4, 5, 6, 7].

На рынке программных продуктов существует множество нейроимитаторов, которые предоставляют широкие возможности для работы с нейронными сетями. Однако большинство, нацелено на работу с непосредственным участием пользователя в диалоговом режиме. Также необходимо отметить, что в существующих нейроимитаторах отсутствует возможность встраивания в информационные системы, давно применяющиеся в нефтедобывающей промышленности.

Всё вышеизложенное позволяет считать, что исследования в области нейросетевых методов моделирования процессов нефтедобычи, а также разработка нейроимитаторов, поддерживающих решение задач нефтепромыслового прогноза являются актуальными и представляют теоретический и практический интерес.

Целью диссертационной работы является повышение качества контроля и управления за разработкой месторождений за счет уточнения проектных показателей при математическом имитационном моделировании нейросетевыми

методами в условиях недостаточной геолого-технологической информации о промысловых объектах.

Для достижения этой цели необходимо решить следующие задачи:

1. Исследовать возможности прогнозирования показателей различных процессов нейросетевыми методами для определения круга задач, решение которых целесообразно для прогнозирования показателей разработки нефтяных месторождений.

2. Разработать принципы построения имитационных моделей на основе искусственных нейронных сетей для наиболее точного прогнозирования нефтедобычи.

3. Разработать методы нейросетевого моделирования и исследовать их устойчивость к зашумлённым входным данным при моделировании процессов нефтедобычи на основе численных экспериментов.

4. Предложить и обосновать методику оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования направленную на повышение аналитической эффективности оценки выработки запасов УВ на реальных промысловых данных, Российских компаний занимающихся разработкой нефтяных месторождений Западной Сибири.

Объект и предмет исследования

Объектом исследования являются системы добычи нефти, объединяющие объекты разработки - продуктивные пласты, добывающие и нагнетательные скважины. Предметом исследования является возможность использования искусственных нейронных сетей для повышения точности прогнозирования показателей разработки нефтяных месторождений.

Методы исследований

В работе использованы методы теории искусственных нейронных сетей, теории фильтрации жидкости в пористых средах, детерминированные численные гидродинамические модели, информатика.

Научная новизна

1. Разработаны и исследованы новые имитационные модели добычи нефти с использованием нейронных сетей и погрешностью прогноза не более 15 %, отличающиеся использованием при их обучении промысловых данных совместно с результатами детерминированных гидродинамических моделей.

2. Экспериментально доказана устойчивость нейросетевых моделей, прогнозирующих процессы двухфазной фильтрации в пористых средах к зашумлениям (до 30%) в обучающих выборках.

3. Разработан алгоритм обучения сетей, направленный на эффективный подбор архитектур, а так же определение подходящей функции выявления взаимосвязей между входящими параметрами.

Практическая ценность работы заключается в следующем:

1. Разработанные нейросетевые модели применяются для прогноза технологических показателей нефтедобычи: дебиты нефти добывающих скважин, суммарные дебиты группы скважин, приемистости нагнетательных скважин.

2. Разработанный метод имитационного моделирования процессов нефтедобычи на основе нейросетевых методов, позволяет за 10 - 12 часов создавать нейронные сети на основе промысловых данных и отличается от общепринятых методик нейросетевого моделирования рекомендациями по выбору типов и структуры обучающих выборок, а также использованием детерминированных моделей.

3. Выполнение научно-исследовательской работы: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013

4. Апробация предложенной методики оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования на Ван-Еганском месторождении ОАО «Роснефть» и Савуйском месторождении ОАО «Сургутнефтегаз».

Основные положения, выносимые на защиту

1. Разработанные нейросетевые модели для решения задач прогнозирования динамики режимов работы скважин.

2. Результаты исследования устойчивости нейросетевых методов прогнозирования технологических показателей разработки к входным данным с высоким уровнем шума (до 30%).

3. Методическое обеспечение нейросетевых компонентов, позволяющее решать основные задачи прогноза добычи на основе нейросетевого подхода.

4. Методика использования для обучения искусственной нейронной сети историю динамики режимов работы скважин и результатов гидродинамического моделирования.

Апробация работы

Результаты работы докладывались на: региональной научно практической конференции молодых специалистов. Организатор - ОАО «Сургутнефтегаз» (Сургут, 2011 г.); XII конференции молодых специалистов, работающих в организациях, осуществляющих деятельность, связанную с использованием участков недр на территории Ханты-Мансийского автономного округа (Ханты-Мансийск, 2012 г.); международной заочной научно-практической конференции -теория «Методология и концепция модернизации в природопользование, математике, технике, физике» - НОУ ДПО «Санкт-Петербургский институт проектного менеджмента. (Санкт-Петербург 2013 г.); 67-й Международной молодежной научной конференции РГУ имени И.М. Губкина «Нефть и газ» (Москва, 2013 г.); Выполнена научно-исследовательская работа: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013.

Публикации

По материалам диссертации опубликовано 10 работ в журналах рекомендованных ВАК и 1 монографии.

Структура и объём диссертации

Работа состоит из введения, трех разделов, заключения, списка использованных источников из 94 наименований. Объём основного текста диссертации составляет 152 страницы машинописного текста, иллюстрированного 91 рисунком и 10 таблицами.

В первом разделе диссертационной работы проведён анализ существующих методов прогнозирования показателей разработки. Проведено исследование возможностей нейронных сетей и определён круг задач, решаемых искусственными нейронными сетями.

Во втором разделе описана предлагаемая методика моделирования процессов нефтедобычи, основанная на использовании искусственных нейронных сетей. Рассмотрено решение следующих задач: прогнозирование режимов добычи нефти, режимов нагнетания. Формализован метод нейросетевого имитационного моделирования процессов добычи нефти.

Третий раздел посвящен исследованию устойчивости нейросетевых моделей нефтедобычи на основе численных экспериментов. В рамках численных экспериментов рассмотрена работа нейросетевых моделей процессов нефтедобычи при различных уровнях шумов в промысловых данных, а также исследована способность искусственных нейронных сетей (ИНС) фильтровать зашумления геолого-технологической информации. Также рассмотрена нейросетевая аппроксимация математической модели трёхмерной, двухфазной фильтрации.

В заключении в качестве выводов сформулированы основные результаты работы.

РАЗДЕЛ 1 ОБЗОР МЕТОДОВ И ПОДХОДОВ К ПРОГНОЗИРОВАНИЮ

ПРОЦЕССОВ НЕФТЕИЗВЛЕЧЕНИЯ

1.1 Цели и задачи моделирования нефтяных месторождений

Проблема прогнозирования показателей разработки месторождения тесно связана с моделированием месторождений, поскольку именно оно является единственным научным методом прогнозирования. Такой научно-исследовательский подход очень вариативен, начиная с физических и, заканчивая цифровыми математическими аналогами соответственно.

В настоящее время наиболее распространены детерминированные математические модели, предназначенные для прогнозирования показателей разработки и адресного анализа эффективности реализуемой системы воздействия на пласт, в более простом варианте их называются гидродинамическими.

Гидродинамическая модель месторождения - это математическая парадигма, воспроизводящая физические процессы, протекающие в месторождениях нефти или газа при его разработке. Математический аналог представляет собой систему дифференциальных уравнений в частных производных, объединяющую законы сохранения массы и энергии, а также деформационные процессы скелета пласта. Для решения таких систем дифференциальных уравнений применяют численные методы, основанные на конечно-разностном подходе к представлению о производных или на контрольных объемах.

Основная цель контроля разработки месторождения - предсказание его состояния в сочетании с определением путей увеличения текущей или конечной нефтеотдачи в зависимости от реализуемой системы воздействия и дренирования продуктивных пластов. В классических представлениях о теоретических аспектах разработки рассматриваются, в некотором смысле, осредненные свойства объектов (балансная модель), для которых невозможно учесть распределенного изменения параметров пласта и характеристик движения флюидов во времени и пространстве. При численном гидродинамическом проектировании с

использованием современных ЭВМ можно гораздо более детально изучать продуктивные пласты путем разбиения их на ячейки, блоки или контрольные объемы с применением к каждому из них основных уравнений фильтрации, принципов неразрывности и сохранения энергии. Программное обеспечение для реализации вычислительных способностей данных моделей называют гидродинамическими симуляторами.

Гидродинамическое моделирование разработки нефтяных месторождений позволяет уточнять их геологическое строение, получать распределение фильтрационно-емкостных свойств (ФЕС) продуктивных пластов при воспроизведении истории разработки (history matching). Использование такого подхода позволяет выбрать наилучшую систему разработки месторождения, когда сопоставляются расчетные прогнозы вариантов разработки.

Применение высокопроизводительных ЭВМ стало основной причиной бурного развития гидродинамических симуляторов, позволяющих детализировать процессы фильтрации с количеством ячеек достигающего нескольких миллионов. Однако оперативное использование цифровых гидродинамических моделей месторождений с количеством ячеек более 100 тыс. уже становится не возможным. Расчет одного варианта разработки может занять от нескольких часов до нескольких дней, причем даже с учетом применения распараллеливания вычислительного процесса.

1.2 Методы математического и имитационного моделирования

1.2.1 Теория фильтрации

Законы физики, как и законы природы едины. Тем не менее, в отраслевом отношении существуют методики или, так называемые «теории», аккумулирующие опыт изучения физических процессов доминирующих в рассматриваемых объектах. Разумеется, в наиболее широком понимании теории, как таковой, фильтрация жидкостей и газов не может выделяться из общей гидромеханики. Однако, простота описания макропараметров фильтрации (проницаемость, гидропроводность, пьезопроводность и т.п.) в виде не

детализируемого процесса, который по своей природе складывается из множества течений на микроуровне, обусловила начало развития научно-прикладных работ в области теории фильтрации.

Теория фильтрации или подземная гидромеханика - раздел гидромеханики, направленный на исследование движения текучих сред через твердые пористые среды - тела, пронизанные системой сообщающихся между собой каналов, пустот и пор.

Накопление нефти и газа в пористых породах-коллекторах и основные технологии извлечения связаны с фильтрационными процессами, изучение которых является главной целью и главным источников задач теории фильтрации.

Важнейшей количественной макро - характеристикой пористых тел является коэффициент пористости, определяемый долей объема пор в объеме материала. Разумеется, данный коэффициент является статистическим, так как при измельчении исследуемого пористого материала мы будем получать разную пористость.

Например, при учете коэффициента пористости игнорируются замкнутые изолированные поры и учитываются только соединенные между собой проточные, иначе говоря, условно сквозные поры. Они образуют поровое пространство - сложную разветвленную и нерегулярную сеть пор. Кроме нерегулярности структуры порового пространства надо помнить о том, что структура порового пространства может изменяться вследствие разрушений стенок поровых каналов. Таким образом, с позиции детерминированных моделей мы получаем неопределенность в одном из главных коэффициентов - пористости.

Когда речь идет о породах - коллекторах нефти и газа, пористость является главным параметром, поскольку она определяет запасы месторождения, т.е. количество флюидов в данном пласте. Способность пористой среды пропускать жидкость характеризуется проницаемостью[28]. Движение жидкости и газа на участке пористой среды происходит под действием разности (перепада) давлений на его границах. Согласно закону Дарси скорость - со движения (фильтрации) жидкости (газа) в пористой среде прямо пропорциональна градиенту давления,

т.е. перепаду давления - АР, приходящемуся на единицу длины пути движения жидкости или газа, и направлена в сторону падения давления:

= (1-1)

где ¡л — динамическая вязкость жидкости Пас;

к - проницаемость пласта, Дарси.

Закон Дарси - основной закон подземной гидравлики, на котором, так или иначе, базируются все методы детерминированного математического моделирования и как следствие, основанные на них методы проектирования и контроля процессов разработки нефтяных и газовых месторождений, а также методы промысловых гидродинамических исследований скважин и пластов [29].

Проницаемость также является макропараметром и существует объективно только для конечного объема пористого материала и как пористость изменяется во времени, из-за изменения внутрипорового давления и структуры порового пространства.

Таким образом, детерминированные модели продуктивных коллекторов видятся не настолько детерминированными, как это принято понимать. Так как закон Дарси включает в себя статистические коэффициенты, гидродинамические симуляторы не в полной мере реализуют «детерминированность» математических моделей.

Для математического описания фильтрационных потоков в 2-х и 3-х мерном пространстве вектор скорости фильтрации (или расход флюида) рассматривается как сумма векторов по основным координатным осям. Хотя мы понимаем, что, как и в трубной гидромеханике, существует понятие распределения поля скоростей.

Закон Дарси и закон сохранения массы (уравнение неразрывности) в общем случае образуют замкнутую систему дифференциальных уравнений для отыскания распределения давления и поля скоростей фильтрации.

Уравнение для давления (или напора) представляет собой уравнение в частных производных, родственное уравнению Лапласа, описывающему

распределение потенциала электрического поля. Оно сводится к уравнению Лапласа в случае однородной среды. Понятие однородности здесь момент весьма стохастический.

Классические теоретические подходы к фильтрации имеют дело с течением однородной жидкости в условно однородной пористой среде (хотя, как пористая среда может быть однородной). Однако же, в большинстве современных задач приходится иметь дело с неоднородными системами, заполненными многокомпонентными смесями. Упомянем лишь такие важные области, как загрязнение грунтовых вод, миграция влаги в почвенном слое и вытеснение нефти пластовой или искусственно закачиваемой водой или газом. У каждой из этих систем есть аналог в обычной гидродинамике (скажем, перенос загрязнения потоком воды в реке или течение газонефтяной смеси по трубам). Однако пористая среда в каждом случае вносит свои особенности, так или иначе, связанны с малым размером пор, нерегулярностью и неоднородностью порового пространства и огромной поверхностью контакта жидкости со скелетом. Перечислим наиболее типичные и важные эффекты: перенос примеси, адсорбция, хроматографическое разделение, диффузия и гидродинамическая дисперсия.

Наиболее важные и интересные явления происходят при движении в пористой среде нескольких фаз, скажем воды и воздуха в почве или нефти, газа воды в нефтяных месторождениях. Появление межфазных границ требует учета капиллярных сил. Их роль в природных пластах оказывается определяющей. Это связано с малостью размеров пор[28]. Исследование движения многофазных и многокомпонентных систем в пористой среде - физико-химическая подземная гидродинамика представляет собой быстро развивающуюся ветвь теории фильтрации, где методы физики, химии и гидродинамики совместно решают важные практические задачи. Более подробно с теорией фильтрации можно ознакомиться в работах [30, 31, 32, 33, 34, 35, 36, 37, 38]. На сегодняшний день создано множество программных симуляторов залежей углеводородов (УВ), реализующих разнообразные модели фильтрации. Среди зарубежных разработок на рынке присутствует программный продукт «Eclipse» компании Schlumberger.

Часто данный программный продукт подвергается жесткой критике со стороны ведущих Российских ученых - специалистов в области гидродинамического моделирования. Из отечественных разработок следует отметить программные комплексы Техсхема, TimeZYX и Hydraulic Simulator (Hydra'Sym) [40].

1.2.2 Имитационные модели

Согласно работе [42], имитационное моделирование (так же используется термин «информационное моделирование») есть процесс конструирования модели реальной системы и постановки экспериментов на этой модели с целью либо понять поведение системы, либо оценить (в рамках ограничений, накладываемых некоторым критерием или совокупностью критериев) различные стратегии, обеспечивающие функционирование данной системы.

В отличие от детерминированных, все имитационные модели используют принцип черного ящика. Это означает, что они выдают выходной сигнал системы при поступлении в нее некоторого входного сигнала. Поэтому в отличие от аналитических принципов для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, т. е. подачу некоторой последовательности сигналов, объектов или данных на вход модели и фиксацию выходной информации, а не "решать" их. Происходит своего рода "выборка" состояний объекта моделирования (состояния - свойства системы в конкретные моменты времени) из пространства (множества) состояний (совокупность всех возможных значений состояний). Насколько репрезентативной окажется эта выборка, настолько результаты моделирования будут соответствовать действительности. Кроме того, в [42] указывается, что применение имитационного моделирования целесообразно при наличии одного из следующих условий:

1. Не существует законченной математической постановки данной задачи, либо еще не разработаны аналитические методы решения.

2. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Кроме оценки определенных параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода времени».

В настоящее время в нефтегазовой отрасли наиболее распространены следующие виды имитационных моделей:

1. Характеристики вытеснения, другое название «интегральные модели», часто встречающееся в работах известных ученых С. Н. Назарова, Н. В. Сипачева, Г. С. Камбарова, А. М. Пирвердяна, А. А. Казакова и др.

2. Кривые падения, упоминаемые как «дифференциальные модели» в трудах Н.Г. Кубагушева, A.M. Пирвердяна, M.JI. Сазонова,. К.Б. Абызбаева, Н.К. Праведникова и др. [43, 44].

Оба вида моделей основаны на регрессионном анализе информации о работе скважин и предназначены для прогноза показателей нефтедобычи. В пособии [43] данные модели описываются следующим образом.

Характеристиками вытеснения называются эмпирические зависимости между величинами накопленных отборов нефти Кн и жидкости Уж (или воды FB):

У„=/(УЖ). (1.2)

Наиболее распространенные виды характеристик вытеснения представлены в таблице 1.1.

Коэффициенты а и Ь, в выражениях, определяются путём нелинейного регрессионного анализа. Характеристики вытеснения используются, если разработка ведётся с применением заводнения. Достаточно надёжный и долгосрочный прогноз возможен, только если темп изменения обводнённости добываемой продукции стабилизировался. Обычно стабилизация наступает при обводнённости 70 % и выше. При более низких значениях обводнённости (но не ниже 50%) возможен только краткосрочный прогноз. Однако опыт также показывает, что даже на поздних стадиях разработки вследствие массового

применения геолого-технических мероприятий (ГТМ) и методов увеличения нефтеотдачи, прогнозирование на основе характеристик вытеснения может носить характер сингулярности.

Таблица 1.1— Виды характеристик вытеснения

№ Вид уравнений регрессии

1 £>н =а+Ъ х1п (0Ж)

2 <2н=а-Ь xQжx

3 Оп=а-Ь х£ж"1/2

4

5 0н=а+1п (Ш

Кривыми падения называются соотношения, связывающие среднесуточные значения дебитов нефти - цп или жидкости - qж со временем - t или накопленным отбором жидкости Уж:

4н=<р(0, (1.3)

Чя =(р(Уж), Уж). (1.4)

Кривые падения применяются, когда базовым методом разработки является режим истощения или обводнённость при заводнении меньше 50%. Дифференциальные же модели характеризуют динамику снижения дебитов нефти. Наиболее распространённые виды кривых падения приведены в таблице 1.2.

В зависимостях представленных в таблице 1.2 следует положить г = Уж или г = V, коэффициенты А и В определяются путём регрессионного анализа.

Список литературы диссертационного исследования кандидат наук Хусаинов, Артем Тахирович, 2013 год

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

1. Хусаинов А.Т. Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи // Нефтегазовое дело: науч.-техн. журн./УГНТУ. - (Уфа). - 2013. - T.l 1, №2. - С. 22-25

2. Хусаинов А.Т. Инновационный аналитический метод для расчета показателей нефтедобычи // Известия вузов. Нефть и газ. Тюмень: ТюмГНГУ, 2013. -№3.- С. 61-64

3. Хусаинов А.Т. Методика оперативного прогнозирования показателей нефтедобычи средствами программного комплекса с аналитическим модулем искусственных нейронных сетей // Нефтегазовое дело: науч.-техн. журн./УГНТУ. - (Уфа). - 2013. -Т. 11, №3. - С. 44-51.

4. Хусаинов А.Т. Изменение свойств осадочных пород при разработке залежей центральной части Западной Сибири по результатам исследований керна //Нефтегазовое дело: электрон, науч. журн. - 2013. -№1

http ://www. ogbus.ru/authors/KhusainovAT/KhusainovAT_ 1 .pdf

5. Королев М.С. Интерпретация динамики режимов работы скважин для построения карты распределения нефтенасыщенности /М.С. Королев, A.B. Стрекалов, А.Т. Хусаинов // Нефтегазовое дело: электрон, науч. журн. - 2013. -№1. - http://www.ogbus.ru/authors/KorolevMS/KorolevMS_l.pdf

6. Баталов Д.А., Хусаинов, А.Т. Методика прогнозирования доизвлечения остаточных запасов на водоплавающих нефтяных залежах находящихся на поздних стадиях /Д.А. Баталов, А.Т. Хусаинов // Нефтегазовое дело: электрон, науч. журн. - 2013. - №3. - http://www.ogbus.ru/authors/ BatalovDA / BatalovDA _l.pdf

7. Грачева C.K. Моделирование образования сети трещин при ГРП /С.К. Грачева, A.B. Стрекалов, А.Т. Хусаинов // Нефтегазовое дело: электрон, науч. журн. - 2013. - №2. -http://www.ogbus.ru/authors/ GrachevaSK / GrachevaSK l.pdf

8. Королев М.С. Технология распределенного управления гидравлическими системами сетевой структуры / М.С. Королев, A.B. Стрекалов,

А.Т. Хусаинов // Нефтегазовое дело: электрон, науч. журн. - 2013. - №4. -http://www.ogbus.ru/authors/KorolevMS/KorolevMS_2.pdf

9. Царегородцев В.Г. Нейроимитатор NEUROPRO / В.Г. Царегородцев // Нейроинформатнка и ее приложения: тез. докл. VI Всерос. семинара, (2-5 окт. 1998 г.) / Под ред. А.Н.Горбаня. - Красноярск: КГТУ,1998. - С. 207.

11. Официальный сайт «Neural Bench» (Нейроверстак). http://www.neuralbench.ru/ (01.09.2013).

12. Stuttgart Neural Network Simulator. University of Tuebingen.Germany. http://www.ra.informatik.uni-tuebingen.de //SNNS (01.09.2013).

13. Официальный сайт компании The Math Works, Inc. // MATLAB Neural Network Toolbox.-http://www.mathworks.com/products/neuralnet.ru (01.09.2013).

14. Официальный сайт компании Альфа-Систем. http://www.user.cityline.ru/-alphasys (Ol.09.2013).

15. Стрекалов A.B. Математические модели гидравлических систем для управления системами поддержания пластового давления / A.B. Стрекалов. -Тюмень: ОАО «Тюменский дом печати», 2007. - С. 661

16. Мироненко, В.А. Динамика подземных вод / В.А. Мироненко. - М: изд-во МГУ, 1996. - С.520

17. Жданов М.А. Основы промысловой геологии нефти и газа /М.А. Жданов. - М.: Недра. 1966. - С. 280

18. Вахитов Г. Г. Разностные методы решения задач разработки нефтяных месторождений/ Г. Г. Вахитов. - Спб.: Недра, 1970. - С. 180

19. Щелкачёв В.Н. Основы и приложения теории неустановившейся фильтрации: монография /В.Н. Щелкачёв; в 2 ч. - М.: Нефть и газ, 1995.-Ч.2. - С. 493

20. Щелкачёв В.Н. Основы и приложения теории неустановившейся фильтрации: монография/В.Н. Щелкачёв; в 2 ч. - М.: Нефть и газ, 1995. - 4.1. -С.586

22. Алтунин А.Е. Модели и алгоритмы принятия решений в нечетких условиях: монография /А.Е. Алтунин, М.В. Семухин. - Тюмень: Изд-во Тюменского гос. ун - та, 2000. - С.352

23. Устенко A.C. Основы математического моделирования и алгоритмизации процессов функционирования сложных систем/ А.С Устенко. 2000. - http://ustenko.fromru.com/index.html.

24. Ковалев B.C. Прогноз разработки нефтяных месторождений и эффективность систем заводнения /В.С Ковалев, В.М. Житомирский. - М: Недра, 1976.-С.247.

25. Иваненко Б.П. Нейросетевые методы имитационного моделирования процессов нефтедобычи / Б.П. Иваненко, С.А. Проказов // Нейрокомпьютеры: разработка и применение. - 2003. - № 7. - С. 43-49.

26. G. Marchuk. Methods of computing mathematics / G. Marchuk. - M.: Nauka, 1977.-456 p.

27. Нейроинформатика / A.H. Горбань, В.JI. Дунин-Барковский, С.А. Терехов и др. - Новосибирск: Наука, 1998. - С.296

28. Енотов В.М. Теория фильтрации / В.М. Енотов // Соросовский образовательный журнал. - 1998. -№2. - С. 121-128.

29. Крец В.Г. Основы нефтегазодобычи: учебное пособие / В.Г. Крец, Г.В. Лене; под ред. канд. геол. - минер, наук Г.М. Волощука. - Томск: Изд-во Томск, ун-та, 2000. - С. 220.

30. Полубаринова-Кочина, П.Я. Теория движения грунтовых вод/ П.Я Полубаринова-Кочина. - М.: Наука, 1977. - С. 664

31. Подземная гидравлика./ К.С. Басниев, A.M. Власов, И.Н. Кочина, В.М. Максимов. -М.: Недра, 1986. - С.303

32. Баренблатт Г.И. Движение жидкостей и газов в природных пластах/ Г.И. Баренблатт, В.М. Ентов, В.М. Рыжик. - М.: Недра,1984. - С. 208.

33. Максимов М.М. Математическое моделирование процессов разработки нефтяных месторождений/ М.М. Максимов, Л.И. Рыбицкая. - М.: Недра, 1976. — С.264

34. Азиз X. Математическое моделирование пластовых систем/ X. Азиз, Э. Сеттари. - М.: Недра, 1982. - 407 с.

35. Закиров Э.С. Трёхмерные многофазные задачи прогнозирования, анализа и регулирования разработки месторождений нефти и газа / Э.С. Закиров.

- М.: Изд -во «Грааль», 2001. - С. 303.

36. Костюченко C.B. Мониторинг и моделирование нефтяных месторождений /C.B. Костюченко, В.З. Ямпольский. - Томск: Изд-во HJIT, 2000.

- С.246

37. Иваненко Б.П., Нейросетевые методы имитационного моделирования процессов нефтедобычи / Проказов С.А. -М: Нейрокомпьютеры: разработка и применение, № 7, 2003, с. 43-49.

38. Фильтрация газированной жидкости и других многокомпонентных смесей в нефтяных пластах / М.Д. Розенберг, С.А. Кундин, А.К. Курбанов и др. -М.: Недра,1969.-С.456

39. Соломатин Г.И. Прогнозирование работы скважин с помощью искусственных нейронных сетей/ Г.И. Соломатин, А.З.Захарян, Н.И. Ашкарин //Нефтяное хозяйство. - 2002. - № 10. - С.35-42.

40. Комплекс универсального моделирования технических гидравлических систем поддержания пластового давления Hydraulic Symuiator (Hydra' Sym) / Стрекалов A.B.: пат. 2002611864 РФ; Заявлено 2002.01.15; Опубликовано 2002.12.15

41. Jon Kleppe Oil water simulation IPMES solution. 2003. -http://www.ipt.ntnu.no/~kleppe/SIG4042/indexnotes.(01.09.2013).

42. Шеннон P. Имитационное моделирование систем искусство и наука /Р. Шеннон. - М.: Мир,1978. - С.422

43. Баталов Д.А. Технология интенсификации добычи нефти на водоплавающих залежах месторождений Западной Сибири/Д.А. Баталов, А.Т. Хусаинов // Оборудование и технологии для нефтегазового комплекса: науч.-техн. журн. - 2013. - №4. - С.56-58.

44. Кульпин Л.Г. Гидродинамические методы исследования нефтегазоводоносных пластов /Л.Г. Кульпин, Ю.А Мясников. - М.: Недра, 1974. -С. 200.

45. Королев М.С. Волновые процессы в гидравлической системе сетевой структуры / М.С. Королев, A.B. Стрекалов, А.Т. Хусаинов // Нефтегазовое дело: электрон, науч. журн. - 2013. - №4 -

http ://www. ogbus .ru/authors/KorolevMS/KorolevMS_3 .pdf

46. Закиров C.H. Проектирование и разработка газовых месторождений /С.Н. Закиров, Б.Б. Лапук. - М: Недра, 1974. - С. 374.

47. Прогнозирование и регулирование разработки газовых месторождений/3акиров С.Н. и др. - М: Недра, 1984. - С. 295.

48. Зотов Г.А. Инструкция по комплексному исследованию газовых и газоконденсатных пластов и скважин /Г.А. Зотов, З.С. Алиев. - М: Недра,1980. -С 301.

49. Комплексное решение проблемы разработки группы газовых и газоконденсатных месторождений /Лапук Б.Б и др. - М: Недра, 1970. - С 287.

50. Палатник Б.М. Создание методик решения трехмерных задач теории фильтрации применительно к прогнозированию технологических показателей разработки месторождений газа севера Тюменской области: автореф. дис... канд. техн. наук/ Палатник Б.М. - М.: МИНХ и ГПД985. - С.24.

51. Дементьев Л.Ф. Оценка точности определения основных геолого-промысловых и технологических показателей /Л.Ф. Дементьев, А.Н. Кирсанов, А.Н. Лапердин. - М: Недра, 1995. - С 251

53. Вероятностные оценки балансовых и извлекаемых запасов нефти. ИПГНГМ /Алахвердиева Л.И и др: аннотирован, указ. програм. средств. —1985. -Серия 3.-С.58.

54. Хирагава С. Вероятностная модель для оценки запасов нефти /С. Хирагава; пер. с япон. - М.:Недра, 1973. - С.320

55. Yusifov S.I. Fuzzy control systems by working regime of gaslif wells. Interactive systems: The Problems of Human / S.I. Yusifov// Computer Interaction. -

Proceedings of the International Conference, 23 — 27 September 2001. - Ulyanovsk: USTU, 2001.P.40.

56. Зиновьев Ю.А. Визуализация многомерных данных: монография /Ю.А. Зиновьев. - Красноярск: ИПЦ КГТУ, 2000. - С. 168

57. Горбань А.Н. Идея оптимальности и естественный отбор /А.Н. Горбань.

- М.: Наука,1988. - 208 с.

58. Замятин Н.В. Применение нейронных сетей для идентификации хроматограмм/Н.В. Замятин // Нейроинформатика 98: сб. науч. тр. - Красноярск, 1998.-С. 19-20 с.

59. Замятин Н.В. Идентификация хроматограмм с помощью нейросетевого подхода /Н.В. Замятин // Нейроинформатика и ее приложения: сб. науч. тр. -Красноярск, 1996. - С. 59.

60. Кутуков С.Е. Использование интеллектуальных систем в мониторинге режимов эксплуатации и нефтепроводов/С.Е. Кутуков, Ф.И. Бадиков, Г.Х. Самигуллин // Нефтегазовое дело: электрон, науч. журн. - 2001. -http ://www. ogbus.ru/authors/Kutuko v/kut2.

61. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика /Ф. Уоссермен. - М. :Мир, 1992. - С.350

62. Calvin W.H. Conversations with Neil's Brain: The Neural Nature of Thought And Language /W.H. Calvin and G.A. Ojemann // Addison-Wesley, 1994. http://faculty.washington.edu/wcalvin/.

63. Розенблатт Ф. Принципы нейродинамики. Персептрон и теория механизмов мозга /Ф. Розенблатт. - М.: Мир, 1965. - 480 с.

64. Минский М. С. Персептроны /М. Минский, С. Пайперт - М.: Мир, 1971.-280 с.

65. Осовский С. Нейронные сети для обработки информации/С. Осовский.

- М: Финансы и статистика, 2002. - 343 с.

66. Заенцев И.В. Нейронные сети: основные модели: учебное пособие/ И.В. Заенцев. - Воронеж, 2000. -180 с.

67. Тютерев B.B. Теория нейронных сетей/В.В. Тютерев Новосельцев В.Б. - Томск: изд-во ТГУ, 2001. - 70 с.

68. Каллан Р. Основные концепции нейронных сетей /Р. Каллан; Пер. с англ. - М.: Издательский дом «Вильяме», 2001. - С.288

69. Krose В. An Introduction to Neural Networks / В. Krose, Van der Smagt, B. Krose, Van der Smagt //Univ. of Amsterdam - 1996. - P. 135 -8th edition http://www.robotic.dlr.de/Smagt/books/neuro-intro.ps.gz

70. Rummelhart D.E. Learning representations by backpropagating errors/D.E. Rummelhart, G.E. Hinton, R.J. Williams // Nature. - 1986. - V. 323. - P. 533-536.

71. Тютерев B.B. Метод эволюционного накопления признаков для автоматического построения нейронных сетей: дис... канд. техн. наук/ Тютерев В.В.Томск, 2001.-С. 174

72. Bishop С. М. Neural Network for Pattern Recognition /С. M. Bishop // Oxford University- Press. Oxford. 1997. - P.482

73. Haukin S. Neural Networks, a comprehensive foundation /S. Haukin // N.Y.: Macmillan College Publishing Company. 1994. - P.696

74. Gill P. Practical Optimization / P. Gill, W.Murray, M. Wright // N.Y.: Academic Press, 1981.-P.696

75. Riedmiller M. RPROP - a fast adaptive learning algorithm/M. Riedmiller, H. Braun //. Technical Report. Karlsruhe: University Karlsruhe, 1992. - P.696

76. Fahlman ,S.E. Faster learning variatious on backpropagation: en empirical study II Proc. 1988 Connectionist Models Summer School /S.E. Fahlman // Los Altos, -USA: Morgan Kaufmann. -1988. - P. 38-51.

77. Горбань A.H. Обучение нейронных сетей /А.Н. Горбань. - М.: Изд -во СССР-США СП "ParaGraph", 1990. - С.160

78. Горбань А.Н. Нейронные сети на персональном компьютере /А.Н. Горбань, Д.А. Россиев. - Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. -С.276

79. Hochreiter S. Simplijynng neural nets by discovering)lat minima /S. Hochreiter, J. Schmidhuber// 1995. http://www.idsia.ch/~juergen/nipsfm/nip.sfm.html

80. Пятковский О. Разработка интеллектуальных компонентов информационных систем предприятий: дис...д-ра техн. наук / О. Пятковский. -Барнаул, 2000. -362с.

81. Горбань А.Н. Контрастирование нейронных сетей / А.Н. Горбань, Е.М. Миркес // Нейроинформатика и ее приложения: материалы 3-го Всерос. семинара. - Красноярск: Изд-во КГТУ, 2005. - С.78-79

82. Электронный учебник Statsoft по промышленной статистике // http://www.statsott.ru/home/portal/default.asp (01.09.2013).

83. Миркес Е.М. Нейрокомпьютер. Проект стандарта /Е.М. Миркес. -Новосибирск: Наука, 1998. - 188 с.

84. Нейронные сети. Statistica Neural Networks. - М: Горячая линия -Телеком, 2000. -182с.

85. Дополнение к проекту разработки Савуйского месторождения», составленное Тюменским отделением «СургутНИПИнефть» в 2011 году //(Протокол ТО ЦКР Роснедра по ХМАО-Югре от 15.07.2011 №1076)

86. Rob Law Nomian Au. Neural network model to forecast Japanese demand for Travel to Hong Kong // http://ultima.cs.unr.edu/cs773b/NNjapan-to-hongkong.pdf (01.09.2013).

87. Ибрагимов JI.X. Интенсификация добычи нефти/JI.X. Ибрагимов, И.Т. Мищенко, Д.К. Челоянц. - М.: Наука, 2000. - С.414

88. Стрекалов А.В. Математическое моделирование процессов нефтедобычи на основе нейронных сетей: монография /А.В. Стрекалов, А.Т. Хусаинов. Тюмень: Типография БИК при ТГНГУ, 2013. - 163с.

89. Шукшунов В.Е. Состояние, уровни развития и классификация технопарков России /В.Е. Шукшунов, A.M. Варюха. - М.:"Испо-Сервис",1997. -Вып. 1.С.15

90. Matsuoka, К. Noise injection into inputs in back-propagation learning /К. Matsuoka // IEEETrans, on Systems, Man, and Cybernetics. 1992. Vol.22.- P. 150

91. Марка Д. Методология структурного анализа и проектирования SADT/ Д. Марка, К. МакГоуэн. - М.:Метатехнология,1993. -180 с.

92. Букаты М.Б. Геоинформационные системы и математическое моделирование: учебное пособие /М.Б. Букаты. -Томск: ТПУ, 2002. - 75с.

93. Golovko V. Predicting Neural Net // Proceedings International Conference CMNDT /V. Golovko//Berlin: DGZfP,1995. - P. 348

94. Головко B.A. Нейроинтеллект: теория и применение. Кн. 1: Организация и обучение нейронных сетей с прямыми и обратными связям /В.А. Головко. -Брест: Изд-во БПИ,1999. - 264с.